一条条装载着乌黑闪亮煤块的传送带从井底向井上不停运转。在悠长、复杂的传输中，不时会突发危险事件——作业矿工意外跌入传送带，引发危及生命的事故；异物掉落在传送带上，将昂贵的传输带卡住、撑断……

煤矿管理人员特别需要实时、智能化的监控系统，帮助他们及时发现安全隐患，并快速响应。现在，基于人工智能的监控方案，能快速识别出传送带上的“非法入侵物”，及时将报警图片发送给指挥系统，管理者或系统会立即叫停传送带。

在矿井的井上和井下，还有许多类似的“安全禁地”。现在，安全监控智能系统正被快速复制到各个场景下，对安全事件进行识别、预警和响应。

不仅是煤矿，在很多工业企业都有着靠人工很难解决的问题。像水电站，当蓄水池水位达到一定高度时就需要及时开闸泄洪。不久前，一家水电站因为泄洪不及时，让下游两个村庄遭受水灾。这家水电站的管理者很头疼——怎样才能对 100 多米高的水坝中的水位进行准确预测，制定合适的泄洪时间表？

现在，基于人工智能的预测系统，通过学习过去 10 年甚至更长时间的庞大历史数据，包括水坝水位、降雨量、地表干燥度、气候变化等，来预测未来一段时间内的水位情况，精度可达厘米级，并给出恰当的泄洪时间点。

“人工智能、深度学习正在帮助我们解决靠人工很难突破的场景。”才云解决方案总监杜宁说。才云科技（Caicloud）已为上述工业企业提供基于人工智能的解决方案。

人人都能用的谷歌开源技术

才云科技是一家创业公司，成立于 2015 年，几位创始人来自谷歌和亚马逊。在他们中间，CEO 张鑫是谷歌集群管理组核心成员，曾管理谷歌世界级的数据中心和庞大的服务器集群；CTO 邓徳源是容器技术 K8 开源代码项目全球前十的代码贡献者；首席大数据科学家郑泽宇基于谷歌内部深度学习系统，提出产品聚类项目，用于衔接谷歌购物和谷歌知识图谱（Knowledge Graph）数据，开启在谷歌搜索页面投放谷歌购物广告的业务。

才云科技首席大数据科学家郑泽宇

“创办才云很大的契机是当时 Kubernetes 技术开源。”郑泽宇说。Kubernetes 是谷歌集群管理系统的开源版，几个月后，谷歌又将其深度学习框架 TensorFlow 开源。这些开源技术能从底到上把云计算和大数据很好地融合。而才云的年轻人希望把谷歌技术分享给更多外部行业企业，让大家享受到技术福祉。

那么，才云怎样提供有价值的服务呢？它希望提供从底到上的整体解决方案——这更有助于大数据、人工智能技术落地。

原来，Kubernetes 开源版本仅提供核心技术——就像一个新鲜椰子，如果你没有工具，是喝不到壳中的椰汁的。于是，才云根据每家企业现有的硬件环境，把 Kubernetes 需要的计算、网络和存储资源对接好。之后，因为 Kubernetes 只能管理一个集群，才云为企业搭建“集群联邦”，实现企业多个环境，如开发环境、测试环境、不同子公司的一体化管理。这些服务帮助企业将 Kubernetes 容器技术落地。

再之后，在基础设施之上，TensorFlow 落地需要的工作就更重要了。TensorFlow 只是一个非常核心的工具包，它在生产环境中的稳定性，它的调度、监控、用户管理都还不完善。企业需要一个对 TensorFlow 设计理念有深入了解的团队，帮他们在生产环境中去落地。才云就提供这样的落地服务。

深度学习像当年的 Hadoop

为什么深度学习生态还不完善，这是因为深度学习在全球都还是新兴技术。“现在的 TensorFlow，有点类似于 2008 年的 Hadoop，是一个突破性技术，但需要付出学习成本。”郑泽宇说。

为了帮助大家去熟悉 TensorFlow，郑泽宇出版了第一部 TensorFlow 中文书，并与国内高校，如他的母校北大和一些培训机构合作推广 TensorFlow。

除了谷歌的 TensorFlow，大企业相继对自身的深度学习框架开源，包括亚马逊 MXNet、Facebook 的 Torch 以及百度的 PaddlePaddle，目的是竞争标准，瓜分火热的深度学习市场。

“我们选择 TensorFlow 很重要的原因，是底层环境的 Kubernetes 和上面的 TensorFlow 源自谷歌，因此它们也最融合。还有一个重要原因是 TensorFlow 在国内呼声最高，用户最广。”郑泽宇说，“你从出书的情况也能看出几分，TensorFlow 有5本中文书，Caffe 有一本，MXNet 我还没看到。”

据悉，谷歌已有上万个项目应用 TensorFlow。而在图像、机器人领域应用较多的 Caffe，广度上不如 TensorFlow。TensorFlow 的积累从 2011 年就开始了，比其他深度学习平台要早几年。

人工智能落地要定制化

目前，国内外大企业如谷歌、亚马逊、阿里云都在提供现成的 AI 产品，才云这类企业提供的开源 AI 落地服务还有价值吗？

“大企业提供的 AI 针对的是非常通用的场景。”郑泽宇说。如果企业的需求能归纳成通用需求，如要用 OCR（光学字符识别）识别纸上的文字，可以使用通用 AI 服务。但对于大部分具体行业中的具体场景，如在昏暗的矿井下识别异物，通用 AI 是肯定解决不了问题的。

“这就牵扯一个问题，为什么人工智能出来这么久，但落地不是特别好？这是因为人工智能是一种对定制化要求非常高的技术。”郑泽宇说，“至少在三五年内，在绝大部分场景下，通用人工智能提供不了帮助。人工智能一定要定制化才能落地。”

这就需要一批提供人工智能服务的企业，提供贴合企业场景的方案，把“智能”落地到业务中去——

他们要结合企业原有系统，构建从底层基础设施到上层人工智能算法的整套解决方案。这个过程要考虑与原有系统的兼容性，并与原有系统打通。

他们要针对特定行业和场景，如煤矿监控采集数据，训练模型算法。

他们还要通过深度学习，加速人工智能方案在不同场景下的迁移，降低成本。

郑泽宇解释说，在深度学习技术出来前，人工智能应用的场景非常专，迁移很难，甚至不大可能。有了深度学习，之前 AI 系统学习到的技能，可以成为新技能的基础。就像人们学会了普通话，再学一门方言要快得多一样，现在，才云人工智能技术处理一个新场景的时间是原来的 1/4 到 1/8，在 1 个星期到 1 个月之间，这更有利于人工智能落地。

聊出来的需求

除了要解决技术落地的挑战，郑泽宇他们遇到的另一个挑战，是找到企业可能的需求。“因为做技术比较久，怎么把技术与企业的痛点做一个结合，是件困难的事”。这也是他回国后做得最多的一件事。

郑泽宇发现，国内传统企业思想很开放，“都在向技术型企业转型”。他们会关注最新技术，希望利用新技术来解决他们的问题。一旦技术被证明能帮助他们解决问题，对他们的吸引力就很大。

“我现在的方法就是与搞业务的人多聊，了解他们最烦恼、最不方便的事，到处多看，这就是找需求的秘籍。” 郑泽宇说。

现在，才云团队正与一家火电厂探索节能降耗的解决方案。在谷歌，通过人工智能技术，监控调节数据中心制冷设备的运行参数，一年就能节省 6000 万美元。这样的应用理念正被搬到国内。

在这家火电厂，排烟温度每降低 1 度，就能节省 1000 多万元成本。如何降低排烟温度问题，靠人的经验很难解决。“我们利用深度学习，分析当发电机组的哪些阀门和传感器进行调整，可以把温度降下来。”杜宁说，目前项目正在进展中。

本文转载自才云Caicloud公众号。

原文链接：https://mp.weixin.qq.com/s/tSQatm5a4n2a47jJG3bOyA

创作场景

才云：矿井水坝中怎么落地人工智能